XiaoMi-AI文件搜索系统
World File Search System子问题
多目标BI ...
摘要。在本文中，我们研究了多目标双级操作（MOBLO）问题，其中高级子问题是一个多目标优化问题，而下层子问题则用于标量优化。现有的基于梯度的MOBLO算法需要计算Hessian矩阵，从而导致综合性不足的问题。为了解决这个问题，我们提出了一个效率的Moblo的第一阶多率方法，称为论坛。特别是，我们通过价值功能函数重新将MOBLO问题重新制定为受约束的多目标优化（MOO）问题。然后，我们提出了一种新型的多进型聚合方法，以解决具有挑战性的约束MOO问题。从理论上讲，我们提供了复杂性分析，以显示所提出的方法的效率和非反应收敛的结果。经验，广泛的实验证明了拟议论坛方法在不同学习概率中的有效性和效率。特别是，它在三个多任务学习基准数据集上实现了最先进的性能。代码可在https://github.com/baijiong-lin/forum上获得。
人工智能投资 6(b) 命令和决议
[公司] 必须使用 [公司] 拥有、保管或控制的信息（包括 [公司] 有权访问的中央数据存储库中保存的信息）来回应本命令。[公司] 不应向单独成立的子公司或附属公司或个人（除非他们以 [公司] 员工或 [公司] 代理人的身份）寻求任何回应信息和数据。但是，如果 [公司] 已经拥有、保管或控制此类信息，则 [公司] 应提供与单独成立的子公司或附属公司相关的信息。在服务之日起 14 天内，[公司] 应联系委员会工作人员，并表明回应本命令所需的所有信息是否在 [公司] 拥有、保管或控制之下。如果某些信息不在 [公司] 手中，保管或控制之下，则在送达之日起 14 天内，[公司] 还必须：(1) 以口头和书面形式，指明由于信息不在 [公司] 手中，保管或控制之下，[公司] 无法完全回答的每个问题或子问题；(2) 对于每个问题，提供拥有、保管或控制此类缺失信息的所有实体或个人的全名和地址。
挖掘移动对象的周期行为
周期性是运动物体中经常发生的现象。寻找周期行为对于理解物体运动至关重要。然而，周期行为可能非常复杂，涉及多个交错的周期、部分时间跨度以及时空噪声和异常值。在本文中，我们解决了挖掘运动物体的周期行为的问题。它涉及两个子问题：如何检测复杂运动中的周期以及如何挖掘周期性运动行为。我们的主要假设是观察到的运动是由与某些参考位置相关的多个交错的周期行为产生的。基于此假设，我们提出了一个两阶段算法Periodica来解决这个问题。在第一阶段，提出参考点的概念来捕捉参考位置。通过参考点，可以使用结合傅里叶变换和自相关的方法来检索运动中的多个周期。在第二阶段，提出一个概率模型来表征周期行为。对于特定时期，通过层次聚类从部分运动序列中统计概括出周期性行为。对合成数据集和真实数据集的实证研究证明了我们方法的有效性。
人工智能和人类的角色...
我们提出了三个更详细的问题来指导我们：（1）人类和人工智能在决策过程中扮演什么角色？（2）组织设计如何通过使用人工智能来支持决策过程？（3）人工智能如何帮助知识密集型企业的决策者克服所面临的挑战，以及在决策过程中使用人工智能会带来哪些新挑战？我们采用了解释主义范式和定性研究，如第 3 节所述。我们在两家使用人工智能的大型 IT 公司和两家房地产初创公司中调查了我们的研究主题。我们进行了六次半结构化访谈，以便我们更好地了解和深入了解人类和人工智能在知识密集型企业决策过程中的角色。我们的审查使我们得出了第 2 节中解释的理论框架，我们以此为基础进行采访。从访谈中得出的结果和发现遵循与理论审查相同的结构，并提供了有见地的信息以回答研究问题。为了分析和讨论第 5 章和附录 4 中的图表中总结的实证研究结果，我们使用了定性研究的一般分析程序。第 5 章的结构遵循与三个子问题相同的顺序
用于量子化学的可扩展神经量子态架构
摘要 量子态神经网络表示的变分优化已成功应用于解决相互作用的费米子问题。尽管发展迅速，但在考虑大规模分子时仍存在重大的可扩展性挑战，这些分子对应于由数千甚至数百万个泡利算子组成的非局部相互作用的量子自旋哈密顿量。在这项工作中，我们引入了可扩展的并行化策略来改进基于神经网络的变分量子蒙特卡罗计算，以用于从头算量子化学应用。我们建立了 GPU 支持的局部能量并行性来计算潜在复杂分子哈密顿量的优化目标。使用自回归采样技术，我们展示了实现耦合簇所需的挂钟时间的系统改进，其中基线目标能量高达双激发。通过将所得自旋哈密顿量的结构纳入自回归采样顺序，性能得到进一步增强。与经典近似方法相比，该算法实现了令人鼓舞的性能，并且与现有的基于神经网络的方法相比，具有运行时间和可扩展性优势。
基于深度强化学习的空间非合作物体主动跟踪
摘要——空间非合作物体的主动视觉跟踪对于未来智能航天器实现空间碎片清除、小行星探索、自主交会对接具有重要意义。然而，现有的工作通常将此任务视为不同的子问题（例如图像预处理、特征提取和匹配、位置和姿态估计、控制律设计）并单独优化每个模块，这些模块是琐碎且次优的。为此，我们提出了一种基于 DQN 算法的端到端主动视觉跟踪方法，称为 DRLAVT。它可以仅依靠彩色或 RGBD 图像来引导追逐航天器接近任意空间非合作目标，其性能明显优于采用最先进的 2D 单目跟踪器 SiamRPN 的基于位置的视觉伺服基线算法。使用不同的网络架构、不同的扰动和多个目标进行的大量实验证明了 DRLAVT 的先进性和鲁棒性。此外，我们进一步证明我们的方法确实通过数百次反复试验利用深度强化学习学习到了目标的运动模式。
利用物理启发的费米子减少纠缠......
在从头算电子结构模拟中，费米子到量子比特的映射表示从费米子问题到量子比特问题的初始编码步骤。这项工作引入了一种物理启发的映射构建方法，可在模拟感兴趣的状态时显着简化纠缠要求。电子激发的存在驱动了我们映射的构建，从而减少了量子比特空间中目标状态的相关性。为了对我们的方法进行基准测试，我们模拟了小分子的基态，并观察到与使用传统映射的先前研究中的经典和量子变分方法相比，我们的性能有所增强。特别是在量子方面，我们的映射需要减少纠缠层数量，以实现 LiH、H 2 、( H 2 ) 2 、H ̸= 4 拉伸和苯的 π 系统的精度，使用 RY 硬件高效的假设。此外，我们的映射还为 N 2 分子的密度矩阵重正化群算法提供了增强的基态模拟性能。
![arxiv：2204.13223v1 [physics.ins-det] 2022年4月27日](/simg/g:\will\search\icon\source\9\9b18cb96532bbca33e259aff2627054513323c59.webp)
arxiv：2204.13223v1 [physics.ins-det] 2022年4月27日
摘要 - 传统独立的电力，水和加热网络正在变得越来越紧密，这激发了其关节最佳能源计划以提高集成能量系统的整体效率。然而，这种关节优化被称为具有非线性和非凸的电力，液压和热模型的复杂网络约束和耦合的具有挑战性的问题。我们制定了最佳的功率 - 水流量（OPWHF）问题，并开发出一种计算上有效的启发式方法来解决它。所提出的启发式将OPWHF分解为子问题，通过凸松弛和凸凹方法迭代解决。仿真结果验证了所提出的框架可以改善集成系统的运营灵活性和社会福利，其中水和加热网络作为虚拟能源存储对时变能源价格和太阳能光伏发电的响应。此外，我们执行灵敏分析以比较两种加热网络控制模式：按流量和温度比较。我们的结果表明，后者对于具有更大的管道参数空间的加热网络更有效。
绩效与评估策略
NASA 正在通过绩效评估和评估驱动的流程来提高 STEM 参与投资的有效性，包括制定和执行全面的绩效评估和评估策略、年度绩效计划（APP）、年度评估计划（AEP）和学习议程。年度绩效计划根据 NASA 的 2022 年战略计划定义了 NASA STEM 参与办公室 (OSTEM) 的绩效目标和成功标准。NASA STEM 参与学习议程提出了学习问题及其相关子问题、学习活动和评估方法以及学习产品，这些将帮助 NASA STEM 参与办公室了解其投资的范围、方法、机制和影响。这些问题的答案将使办公室能够通过做出基于证据的预算、计划和运营决策，更有效地确定 STEM 参与投资领域的优先次序和缩小重点。每年都会生成一系列证据（即里程碑成就、绩效和参与数据、评估结果和/或其他指标），以评估 STEM 参与投资在实现 APP 绩效目标和成功标准方面的进展，并评估 AEP 成果和影响。
有向网络中单向依赖簇与簇同步稳定性
耦合振荡器网络中的集群同步是科学界广泛关注的课题，其应用范围从神经网络到社交网络、动物网络和技术系统。这些网络大多是有向的，信息或能量流从给定节点单向传播到其他节点。然而，集群同步方面的大多数工作都集中在无向网络上。这里我们描述了一般有向网络中的集群同步。我们的第一个观察结果是，在有向网络中，节点集群 A 可能单向依赖于另一个集群 B：在这种情况下，只要 B 稳定，A 可能保持同步，但反之则不成立。本文的主要贡献是一种将集群稳定性问题转化为不可约形式的方法。通过这种方式，我们将原始问题分解为最低维的子问题，这使我们能够立即检测到集群之间的相互依赖关系。我们将分析应用于两个感兴趣的例子：一个小提琴演奏者组成的人类网络演奏一首乐曲，音乐家可以激活或停用该乐曲的定向交互；以及具有定向层到层连接的多层神经网络。